在逐 block 构建大型数据帧时，我对 Pandas 的性能感到困惑。在 Numpy 中，我们(几乎)总是通过预分配一个大的空数组然后填充值来获得更好的性能。据我了解，这是由于 Numpy 一次抓取了它需要的所有内存，而不是每次 append 操作都必须重新分配内存。

在 Pandas 中，我似乎通过使用 df = df.append(temp) 模式获得了更好的性能。

这是一个计时示例。 Timer 类的定义如下。正如你所见，我发现预分配比使用 append 慢大约 10 倍!使用适当 dtype 的 np.empty 值预分配数据帧有很大帮助，但 append 方法仍然是最快的。

import numpy as np
from numpy.random import rand
import pandas as pd

from timer import Timer

# Some constants
num_dfs = 10  # Number of random dataframes to generate
n_rows = 2500
n_cols = 40
n_reps = 100  # Number of repetitions for timing

# Generate a list of num_dfs dataframes of random values
df_list = [pd.DataFrame(rand(n_rows*n_cols).reshape((n_rows, n_cols)), columns=np.arange(n_cols)) for i in np.arange(num_dfs)]

##
# Define two methods of growing a large dataframe
##

# Method 1 - append dataframes
def method1():
    out_df1 = pd.DataFrame(columns=np.arange(4))
    for df in df_list:
        out_df1 = out_df1.append(df, ignore_index=True)
    return out_df1

def method2():
# # Create an empty dataframe that is big enough to hold all the dataframes in df_list
out_df2 = pd.DataFrame(columns=np.arange(n_cols), index=np.arange(num_dfs*n_rows))
#EDIT_1: Set the dtypes of each column
for ix, col in enumerate(out_df2.columns):
    out_df2[col] = out_df2[col].astype(df_list[0].dtypes[ix])
# Fill in the values
for ix, df in enumerate(df_list):
    out_df2.iloc[ix*n_rows:(ix+1)*n_rows, :] = df.values
return out_df2

# EDIT_2: 
# Method 3 - preallocate dataframe with np.empty data of appropriate type
def method3():
    # Create fake data array
    data = np.transpose(np.array([np.empty(n_rows*num_dfs, dtype=dt) for dt in df_list[0].dtypes]))
    # Create placeholder dataframe
    out_df3 = pd.DataFrame(data)
    # Fill in the real values
    for ix, df in enumerate(df_list):
        out_df3.iloc[ix*n_rows:(ix+1)*n_rows, :] = df.values
    return out_df3

##
# Time both methods
##

# Time Method 1
times_1 = np.empty(n_reps)
for i in np.arange(n_reps):
    with Timer() as t:
       df1 = method1()
    times_1[i] = t.secs
print 'Total time for %d repetitions of Method 1: %f [sec]' % (n_reps, np.sum(times_1))
print 'Best time: %f' % (np.min(times_1))
print 'Mean time: %f' % (np.mean(times_1))

#>>  Total time for 100 repetitions of Method 1: 2.928296 [sec]
#>>  Best time: 0.028532
#>>  Mean time: 0.029283

# Time Method 2
times_2 = np.empty(n_reps)
for i in np.arange(n_reps):
    with Timer() as t:
        df2 = method2()
    times_2[i] = t.secs
print 'Total time for %d repetitions of Method 2: %f [sec]' % (n_reps, np.sum(times_2))
print 'Best time: %f' % (np.min(times_2))
print 'Mean time: %f' % (np.mean(times_2))

#>>  Total time for 100 repetitions of Method 2: 32.143247 [sec]
#>>  Best time: 0.315075
#>>  Mean time: 0.321432

# Time Method 3
times_3 = np.empty(n_reps)
for i in np.arange(n_reps):
    with Timer() as t:
        df3 = method3()
    times_3[i] = t.secs
print 'Total time for %d repetitions of Method 3: %f [sec]' % (n_reps, np.sum(times_3))
print 'Best time: %f' % (np.min(times_3))
print 'Mean time: %f' % (np.mean(times_3))

#>>  Total time for 100 repetitions of Method 3: 6.577038 [sec]
#>>  Best time: 0.063437
#>>  Mean time: 0.065770

我使用了一个不错的 Timer，由 Huy Nguyen 提供:

# credit: http://www.huyng.com/posts/python-performance-analysis/

import time

class Timer(object):
    def __init__(self, verbose=False):
        self.verbose = verbose

    def __enter__(self):
        self.start = time.clock()
        return self

    def __exit__(self, *args):
        self.end = time.clock()
        self.secs = self.end - self.start
        self.msecs = self.secs * 1000  # millisecs
        if self.verbose:
            print 'elapsed time: %f ms' % self.msecs

如果你还在关注，我有两个问题:

1) 为什么 append 方法更快？ (注意:对于非常小的数据帧，即 n_rows = 40，它实际上更慢)。

2) 用 block 构建大型数据框的最有效方法是什么？ (在我的例子中，这些 block 都是大的 csv 文件)。

感谢您的帮助!

EDIT_1: 在我的真实世界项目中，这些列具有不同的 dtype。因此，根据 BrenBarn 的建议，我不能使用 pd.DataFrame(.... dtype=some_type) 技巧来提高预分配的性能。 dtype 参数强制所有列为相同的 dtype [Ref.问题 4464]

我在代码中的 method2() 中添加了一些行，以逐列更改 dtypes 以匹配输入数据帧。此操作代价高昂，并且在写入行 block 时抵消了具有适当 dtype 的好处。

EDIT_2:尝试使用占位符数组 np.empty(... dtyp=some_type) 预分配数据帧。根据@Joris 的建议。

最佳答案

您的基准实际上太小而无法显示真正的差异。 附加，每次复制，所以你实际上是在复制一个大小为 N 的内存空间 N*(N-1) 次。随着数据框大小的增长，这非常低效。在非常小的框架中，这当然可能无关紧要。但是，如果您有任何实际尺寸，这很重要。这在文档 here 中有特别说明。 ，虽然有点小警告。

In [97]: df = DataFrame(np.random.randn(100000,20))

In [98]: df['B'] = 'foo'

In [99]: df['C'] = pd.Timestamp('20130101')

In [103]: df.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 100000 entries, 0 to 99999
Data columns (total 22 columns):
0     100000 non-null float64
1     100000 non-null float64
2     100000 non-null float64
3     100000 non-null float64
4     100000 non-null float64
5     100000 non-null float64
6     100000 non-null float64
7     100000 non-null float64
8     100000 non-null float64
9     100000 non-null float64
10    100000 non-null float64
11    100000 non-null float64
12    100000 non-null float64
13    100000 non-null float64
14    100000 non-null float64
15    100000 non-null float64
16    100000 non-null float64
17    100000 non-null float64
18    100000 non-null float64
19    100000 non-null float64
B     100000 non-null object
C     100000 non-null datetime64[ns]
dtypes: datetime64[ns](1), float64(20), object(1)
memory usage: 17.5+ MB

追加

In [85]: def f1():
   ....:     result = df
   ....:     for i in range(9):
   ....:         result = result.append(df)
   ....:     return result
   ....: 

连接

In [86]: def f2():
   ....:     result = []
   ....:     for i in range(10):
   ....:         result.append(df)
   ....:     return pd.concat(result)
   ....: 

In [100]: f1().equals(f2())
Out[100]: True

In [101]: %timeit f1()
1 loops, best of 3: 1.66 s per loop

In [102]: %timeit f2()
1 loops, best of 3: 220 ms per loop

请注意，我什至不会费心尝试预先分配。它有点复杂，特别是因为您正在处理多种 dtypes(例如，您 可以 制作一个巨大的框架并简单地 .loc 并且它会起作用)。但是 pd.concat 非常简单，工作可靠且快速。

以及从上方确定尺寸的时间

In [104]: df = DataFrame(np.random.randn(2500,40))

In [105]: %timeit f1()
10 loops, best of 3: 33.1 ms per loop

In [106]: %timeit f2()
100 loops, best of 3: 4.23 ms per loop

关于python - 创建大型 Pandas DataFrames : preallocation vs append vs concat，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/31690076/